数据结构化与保存
1. 将新闻的正文内容保存到文本文件。
2. 将新闻数据结构化为字典的列表:
- 单条新闻的详情-->字典news
- 一个列表页所有单条新闻汇总-->列表newsls.append(news)
- 所有列表页的所有新闻汇总列表newstotal.extend(newsls)
3. 安装pandas，用pandas.DataFrame(newstotal)，创建一个DataFrame对象df.
4. 通过df将提取的数据保存到csv或excel 文件。
5. 用pandas提供的函数和方法进行数据分析：
- 提取包含点击次数、标题、来源的前6行数据
- 提取‘学校综合办’发布的，‘点击次数’超过3000的新闻。
- 提取'国际学院'和'学生工作处'发布的新闻。
- 进取2018年3月的新闻
6. 保存到sqlite3数据库
import sqlite3
with sqlite3.connect('gzccnewsdb.sqlite') as db:
df3.to_sql('gzccnews05',con = db, if_exists='replace')
7. 从sqlite3读数据
with sqlite3.connect('gzccnewsdb.sqlite') as db:
df2 = pandas.read_sql_query('SELECT * FROM gzccnews05',con=db)
print(df2)
8. df保存到mysql数据库
安装SQLALchemy
安装PyMySQL
MySQL里创建数据库：create database gzccnews charset utf8;
import pymysql
from sqlalchemy import create_engine
conn = create_engine('mysql+pymysql://root:root@localhost:3306/gzccnews?charset=utf8')
pandas.io.sql.to_sql(df, 'gzccnews', con=conn, if_exists='replace')
MySQL里查看已保存了数据。（通过MySQL Client或Navicate。）
import requests from bs4 import BeautifulSoup from datetime import datetime import re import pandas news_list = [] def crawlOnePageSchoolNews(page_url): res0 = requests.get(page_url) res0.encoding = 'UTF-8' soup0 = BeautifulSoup(res0.text, 'html.parser') news = soup0.select('.news-list > li') for n in news: # print(n) print('**' * 5 + '列表页信息' + '**' * 10) print('新闻链接：' + n.a.attrs['href']) print('新闻标题：' + n.select('.news-list-title')[0].text) print('新闻描述：' + n.a.select('.news-list-description')[0].text) print('新闻时间：' + n.a.select('.news-list-info > span')[0].text) print('新闻来源：' + n.a.select('.news-list-info > span')[1].text) news = getNewDetail(n.a.attrs['href']) news['标题'] = n.select('.news-list-title')[0].text news_list.append(news) return news_list def getNewDetail(href): print('**' * 5 + '详情页信息' + '**' * 10) print(href) res1 = requests.get(href) res1.encoding = 'UTF-8' soup1 = BeautifulSoup(res1.text, 'html.parser') news = {} if soup1.select('#content'): news_content = soup1.select('#content')[0].text news['内容'] = news_content print(news_content) # 文章内容 else: news['内容'] = '' if soup1.select('.show-info'): # 防止之前网页没有show_info news_info = soup1.select('.show-info')[0].text else: return news info_list = ['来源', '发布时间', '点击', '作者', '审核', '摄影'] # 需要解析的字段 news_info_set = set(news_info.split('\xa0')) - {' ', ''} # 网页中的 获取后会解析成\xa0，所以可以使用\xa0作为分隔符 # 循环打印文章信息 for n_i in news_info_set: for info_flag in info_list: if n_i.find(info_flag) != -1: # 因为时间的冒号采用了英文符所以要进行判断 if info_flag == '发布时间': # 将发布时间字符串转为datetime格式,方便日后存储到数据库 release_time = datetime.strptime(n_i[n_i.index(':') + 1:], '%Y-%m-%d %H:%M:%S ') news[info_flag] = release_time print(info_flag + ':', release_time) elif info_flag == '点击': # 点击次数是通过文章id访问php后使用js写入，所以这里单独处理 news[info_flag] = getClickCount(href) else: news[info_flag] = n_i[n_i.index('：') + 1:] print(info_flag + ':' + n_i[n_i.index('：') + 1:]) print('————' * 40) return news def getClickCount(news_url): click_num_url = 'http://oa.gzcc.cn/api.php?op=count&id={}&modelid=80' click_num_url = click_num_url.format(re.search('_(.*)/(.*).html', news_url).group(2)) res2 = requests.get(click_num_url) res2.encoding = 'UTF-8' click_num = re.search("\$\('#hits'\).html\('(\d*)'\)", res2.text).group(1) print('点击:' + click_num) return click_num print(crawlOnePageSchoolNews('http://news.gzcc.cn/html/xiaoyuanxinwen/')) pageURL = 'http://news.gzcc.cn/html/xiaoyuanxinwen/{}.html' res = requests.get('http://news.gzcc.cn/html/xiaoyuanxinwen/') res.encoding = 'UTF-8' soup = BeautifulSoup(res.text, 'html.parser') newsSum = int(re.search('(\d*)条', soup.select('a.a1')[0].text).group(1)) if newsSum % 10: pageSum = int(newsSum / 10) + 1 else: pageSum = int(newsSum / 10) for i in range(2, pageSum + 1): crawlOnePageSchoolNews(pageURL.format(i)) dit = pandas.DataFrame(news_list) dit.to_excel('test.xlsx') dit.to_csv('test.csv') print(dit[['作者', '来源']][:6]) print(dit[(dit['来源'] == '学校综合办') & (dit['点击'] > 3000)]) print(dit[dit['来源'].isin(['国际学院', '学生工作处'])])
